В наши дни человеческое сердце, особенно сердечное здоровье людей, находится в опасности, и это связано со многими факторами, такими как неправильный план диеты, употребление алкоголя и курение, употребление табачных изделий и современная культура труда. Сердечно-сосудистые заболевания значительно увеличиваются в наши дни. Около 17,6 миллионов смертей во всем мире произошло из-за сердечно-сосудистых заболеваний.

мы, команда из 5 студентов из Индии, объединились для летней стажировки, организованной Leadingindia.ai и Университетом Беннета, и для поиска временных интервалов сердечного ритма в сигналах SCG с использованием моделей машинного обучения.

НАША КОМАНДА:

Харша Вардхан Батала

Эсакки Селварадж Р

Мохит Амета

Сандра Эльза саджи

калки

Наставник:

Г-н. Дипак Рай

Введение:

  • Цель нашего проекта — оценить временные интервалы сердечных сокращений различных значимых точек в сигналах SCG с использованием методов машинного обучения.

Сейсмокардиограмма (СКГ) – это запись вибраций тела, вызванных сердцебиением.

мы использовали сигналы SCG и нашли важные точки, такие как AO, IM и AC для оценки сердечных интервалов.

Используемые наборы данных:

  • Мы использовали набор данных, доступный на сайте physionetatm.com.
  • Набор данных содержит записи ЭКГ (электрокардиограмма) и СКГ (сейсмокардиограмма) 20 предположительно здоровых добровольцев.

Наборы данных, которые мы использовали:

  • i) сначала базовое состояние испытуемых (записи b001, b002, b005, b006
  • Мы изменили наборы данных в соответствии с нашими требованиями, такими как создание наборов данных для точек IM, AC.
  • Создание наборов данных с нисходящим пиком для обучения данных о дисбалансе.

Методология/модель, используемая для обозначения точек IM и AC

  • После получения наборов данных мы визуализировали данные, и, поскольку они распределены по очень большому диапазону, мы нормализовали данные, а затем применили фильтр скользящего среднего размера 75 для лучшей визуализации и построения графика данных.
  • После нормализации и сглаживания данных мы построили точку АО с помощью кода Python, нашли непосредственный нижний пик точки АО и пометили его как точку ИМ.
  • После нормализации и сглаживания данных мы нанесли точку T на ЭКГ с использованием кода Python и использовали ссылку индекса точки T, чтобы найти непосредственный пик точки T и отметить ее как точку AC.
  • Затем мы взяли окно размером 900 и нашли все нисходящие пики в этом окне, в котором одной точкой будет IM для набора данных IM для нисходящих пиков и AC для набора данных для нисходящих пиков AC.
  • После подготовки набора данных мы применили логистическую регрессию, SVM, случайный лес, гауссовский наив.

Методология, используемая для оценки временных интервалов сердечной деятельности

  • После успешного аннотирования и прогнозирования точек IM и AC в сигнале SCG и сбора данных мы взяли время появления точек AO, IM, AC соответственно.
  • После сбора времени появления всех искомых точек мы брали разницу между временем появления между этими точками попарно и сохраняли данные.
  • Разница между временем появления соответствующих точек считается интервалами сердечного времени.

Результаты:

Для прогнозирования значений IM и AC мы использовали различные модели машинного обучения, такие как случайный лес, логистическая регрессия, метод опорных векторов, модель на основе Гаусса.

После того, как мы нашли все необходимые точки, мы определили время появления каждой точки, а затем рассчитали интервал сердечного ритма в соответствии с требованиями.

примеры результатов лучших моделей для точки IM и AC:

примеры результатов интервалов сердечного ритма

Вывод:

Мы успешно построили модели для прогнозирования точек IM и AC в SCG и нашли их соответствующее время появления.

Как только мы нашли время появления, мы нашли кардиальные временные интервалы между AO, IM и AC.

Ссылки:

ссылка на наборы данных: http://archive.physionet.org/physiobank/database/cebsdb/

Справочные документы:

Гарсия-Гонсалес, Массачусетс; Аргелагос-Палау, А.; Фернандес-Чимено, М.; Рамос-Кастро, Дж., «Сравнение детекторов сердцебиения для сейсмокардиограммы», Конференция «Вычисления в кардиологии» (CinC), 2013 г.

Гарсия-Гонсалес, Массачусетс; Аргелагос-Палау, А.; Фернандес-Чимено, М.; Рамос-Кастро, Дж., «Различия в расположении QRS из-за отведения ЭКГ: связь с дыханием», XIII Средиземноморская конференция по медицинской и биологической инженерии и вычислениям, 2013 г., Труды IFMBE, том 41, 2014 г., стр. 962–964, сентябрь 2013 г.
DOI: 10.1007/978–3–319–00846–2_238

Мора, Никколо и др. «Полностью автоматизированная аннотация сейсмокардиограммы для неинвазивных измерений показателей жизнедеятельности». IEEE Transactions on Instrumentation and Measurement (2019).